TY - JOUR A1 - Kovalyk, Oleksandr T1 - Implementation of medical imaging diagnosis techniques based on Mask-RCNN Y1 - 2021 UR - http://hdl.handle.net/10317/10077 AB - Propósito: El propósito del trabajo es el diseño y evaluación, en un entorno realista, de un sistema basado en aprendizaje máquina para el diagnostico del glaucoma en centros de atención primaria, con un coste asequible y con diagnósticos interpretables. Métodos: El sistema toma como entrada datos clínicos e imágenes de fondo ocular del paciente para emitir una probabilidad de que el paciente padezca el glaucoma. La base de datos utilizada es PAPILAv1, una novedosa base de datos que contiene datos clínicos y retinografías con segmentaciones de ambos ojos de un mismo paciente. El sistema consta de tres bloques: el bloque de segmentación, el bloque de diagnostico por red convolucional y el bloque final. El bloque de segmentación toma como entrada una retinografía o Imagen del Fondo Ocular (IFO) y para esa imagen extrae las características morfológicas de la Cabecera del Nervio Óptico (CNO), tales como el CDR el ISNT y el RDR. El segundo bloque emite una probabilidad de presencia del glaucoma a partir de la región de alrededor del disco óptico en la IFO. Por último, combinando las características morfológicas, la probabilidad de glaucoma del segundo bloque y los datos clínicos, se proporciona el prediagnóstico final. Resultados: En cada uno de los tres bloques que conforman el sistema se han conseguido resultados bastante prometedores, sobre todo teniendo en cuenta la escasa cantidad de instancias en la base de datos. Para el bloque de segmentación se han conseguido una IoU 0.89 para el caso de los discos ópticos y una IoU de 0.57 para la copa óptica. En cuanto al segundo bloque se obtenido un área bajo la curva ROC (AUC) > 0.8. El resultado de la clasificación final es una AUC > 0.85, demostrando así la eficacia del sistema para el prediagnóstico en centros de atención primaria. Conclusiones: El sistema ha mostrado un rendimiento muy prometedor además de que en todo momento se puede observar las razones por las que el sistema ha tomado la decisión. Con pocos datos hablando en términos de aprendizaje máquina se conseguido automatizar un gran número de tareas y reducir así la presión asistencial e incrementar en número de pacientes atendidos. Por cada 100 pacientes sanos se etiquetarán 14 como enfermos (Falsos Positivos) y por cada 100 pacientes enfermos con glaucoma se etiquetarán 75 pacientes como tales y 25 pacientes como sanos (Falsos Negativos). A pesar de los resultados, para establecer el diagnóstico final haría falta más datos tales como la tonometría óptica, ya que el sistema no supera la barrera de 0.9 en AUC. Por ello se aconseja el uso del sistema de manera informativa con el propósito de averiguar si un paciente corre el riesgo de padecer el glaucoma. KW - Ingeniería Telemática KW - Tecnología médica KW - Medical technology KW - Telemática KW - Telematics KW - 3314 Tecnología Médica KW - 3325 Tecnología de las Telecomunicaciones LA - spa ER -